farm future News

Roboter, die satt machen? free

Ein neues Kooperationsprojekt untersucht jetzt, inwiefern der Einsatz von künstlicher Intelligenz in der Landwirtschaft die Erträge steigern kann. Alles vor dem Hintergrund einer steigenden Weltbevölkerung. (Foto: adobe.stock.com/M.Dörr & M.Frommherz)

Keine Angst! Wer gerade an Roboter-Landwirte denkt, liegt komplett falsch. Aber ein interdisziplinäres Kooperationsprojekt untersucht jetzt, ob Künstliche Intelligenz dabei helfen kann, in Zukunft über 9 Mrd. Menschen zu ernähren. Einblicke in ein Forschungsfeld der Zukunft.

Vielerorts wird in die Möglichkeiten des „Precision Farming“ große Hoffnung gesteckt: Erträge in der Landwirtschaft sollen gesteigert und die Ernährung einer stetig wachsenden Weltbevölkerung so sicher gestellt werden. Wie genau die Forscher jedoch vorgehen, um die Künstliche Intelligenz (KI) weiterzuentwickeln, erfährt man selten. Ein neues Forschungsprojekt, das Experten aus mehreren Fachbereichen an einen Tisch holt, gibt nun Einblicke.

Für das Projekt, das vom Bundeslandwirtschaftsministerium gefördert wird, haben sich gleich zwei Universitäten mit unterschiedlichen Fachbereichen mit einem Unternehmen aus der Wirtschaft zusammen getan: Die TU Darmstadt schickt Experten für Maschinelles Lernen ins Rennen. Die Universität Bonn entsendet Fachleute aus dem Institut für Nutzpflanzenwissenschaften und Ressourcenschutz (INRES). Die Aachener Firma Lemnatec, ein Anbieter optischer Inspektionsgeräte für die Analyse von pflanzlichen Phänotypen, ist dritter Kooperationspartner.

Künstliche Intelligenz wird nur dann intelligenter, wenn man sie mit Daten füttert, in denen sie nach und nach Muster erkennen kann.

Redaktion f3
Wie ernähren wir 9 Mrd. Menschen? free

„Wir möchten zunächst verstehen, wie physiologische Prozesse in Pflanzen aussehen, wenn sie Stress erleiden“, sagt Kristian Kersting, Professor für Maschinelles Lernen an der TU Darmstadt. „Stress entsteht zum Beispiel, wenn Pflanzen nicht genügend Wasser aufnehmen oder mit Krankheitserregern infiziert sind. Maschinelles Lernen kann dabei helfen, diese Prozesse genauer zu analysieren.“ Mithilfe dieses Wissens ließen sich dann resistentere Pflanzen züchten und Krankheiten effizienter bekämpfen.

Daten aus Kameraaufnahmen

Um die Pflanzen zu untersuchen, installierten die Forscher eine sogenannte hyperspektrale Kamera. Diese erfasst ein breites Wellenspektrum und gewährt tiefe Einblicke in die Pflanzen. Der Clou: Künstliche Intelligenz wird nur dann intelligenter, wenn man sie mit Daten füttert, in denen sie nach und nach Muster erkennen kann. Je mehr Daten über die physiologischen Prozesse einer Pflanze während des Wachstumszyklus also zur Verfügung stehen, desto besser kann eine Software darin wiederkehrende Muster ausfindig machen, die für Stress verantwortlich sind.

Werden allerdings zu viele Daten erfasst, können die Berechnungen zu aufwendig werden. Die Lösung: Die Forscher brauchen Algorithmen, die für das Lernen nur einen Teil der Daten nutzen, ohne an Genauigkeit einzubüßen.

Welches Detail eines Pflanzenfotos steht für „Stress“?

Das Team der TU Darmstadt fand nach eigenen Angaben eine Lösung: Um die Daten auszuwerten, setzte es ein weit fortgeschrittenes Lernverfahren aus der Sprachverarbeitung ein, das zum Beispiel bei „Google News“ verwendet wird. Dort wählt eine KI für den Leser täglich aus zehntausenden neuen Artikeln die für ihn relevanten aus und sortiert sie thematisch vor. Dazu bedient sie sich an Wahrscheinlichkeitsmodellen, bei denen alle Wörter eines Textes einem bestimmten Thema zugeordnet werden. Der Trick bestand nun darin, die hyperspektralen Bilder der Kamera wie Wörter zu behandeln: Die Software ordnet bestimmte Bildmuster einem „Thema“ zu, etwa einem Stress-Zustand der Pflanze.

Der Vorteil des Maschinellen Lernens ist, dass es Anzeichen früher erkennen kann als ein menschlicher Experte.

Kristian Kersting, Prof. der TU Darmstadt

Aktuell arbeiten die Forscher daran, der Software beizubringen, sich mittels Deep Learning selbst zu optimieren und die Muster, die für Stress stehen, schneller zu finden. „Eine gesunde Stelle kann man zum Beispiel anhand des Chlorophyll-Gehalts der Pflanze erkennen“, sagt Kersting. „Wenn die Pflanze austrocknet, ändert sich das gemessene Spektrum signifikant.“ Der Vorteil des Maschinellen Lernens ist, dass es solche Anzeichen früher erkennen kann als ein menschlicher Experte – die Software lernt, auf mehr Feinheiten zu achten.

Die Vision: Partnerschaft zwischen Mensch und Maschine

Algorithmus für den Acker free

Später, so die Vision, sollen Kameras entlang von Pflanzenreihen auf einem Fließband im Gewächshaus installiert werden. Dort könnte die intelligente Software auf Auffälligkeiten hinweisen. Das System soll zudem lernen, selbst unbekannte Krankheitserreger zu identifizieren – durch den ständigen Austausch mit Pflanzenexperten. „Letzten Endes ist unser Ziel eine sinnvolle Partnerschaft zwischen menschlicher und künstlicher Intelligenz, um das wachsende Problem der Welternährung bewältigen zu können“, so Kersting.

Hat dir der Beitrag gefallen?

Alle Meldungen, Beiträge und Reportagen liest du als f3-Mitglied. Jetzt anmelden und alle Vorteile sichern!

Mitglied werden